OpenCV基础操作：轮廓检测详解

前言：轮廓检测是图像处理和计算机视觉中非常核心的技术，用于识别图像中物体的边界。通过轮廓，我们可以获得物体的形状、大小、位置等信息，进而实现目标识别、图像分割、形状分析等高级任务。OpenCV提供了强大的轮廓检测与处理函数，本文将结合代码实例，详细讲解轮廓检测的完整流程，并展示实际运行结果。

一、轮廓检测基础

1.1 什么是轮廓

轮廓可以简单理解为图像中连接所有连续点（沿着边界）的曲线，这些点具有相同的颜色或灰度。轮廓检测常用于物体识别、形状分析等场景。

1.2 轮廓检测的步骤

轮廓检测通常遵循以下步骤：

二、关键函数详解

2.1 转换为灰度图与二值化

import cv2

# 读取图像
phone = cv2.imread('phone.png')

# 转换为灰度图
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray', phone_gray)
cv2.waitKey(0)

# 二值化处理（阈值120，最大值255，THRESH_BINARY类型）
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)
cv2.imshow('Binary', phone_binary)
cv2.waitKey(0)

运行结果说明：

• 灰度图窗口显示原图的灰度版本。

• 二值图窗口显示黑白图像，其中灰度值大于120的像素变为白色，其余为黑色。

2.2 查找轮廓：cv2.findContours()

函数语法（OpenCV 3/4版本）：

contours, hierarchy = cv2.findContours(image, mode, method)

注意：在OpenCV 3和4中，该函数只返回两个值（contours, hierarchy），而OpenCV 2返回三个值（image, contours, hierarchy）。本教程基于OpenCV 3/4。

参数详解：

• image：输入的二值图像（通常为8位单通道，像素值0或255）。注意：该函数会直接修改输入图像，建议传入图像的副本。

• mode：轮廓检索模式，决定轮廓的组织方式。

  模式描述

  cv2.RETR_EXTERNAL	只检测最外层轮廓，忽略内部轮廓。
  cv2.RETR_LIST	检测所有轮廓，但不建立等级关系，所有轮廓处于同一层级。
  cv2.RETR_CCOMP	检测所有轮廓，并建立两个层级的层次结构：顶层为外边界，次层为内孔边界。
  cv2.RETR_TREE	检测所有轮廓，并建立完整的等级树结构，包含父子关系。

• method：轮廓近似方法，决定如何存储轮廓点。

  方法描述

  cv2.CHAIN_APPROX_NONE	存储所有轮廓点，相邻两点距离不超过1像素。
  cv2.CHAIN_APPROX_SIMPLE	压缩水平、垂直、对角方向，只保留端点。例如一个矩形只需4个点。

返回值：

• contours：一个Python列表，每个元素是一个轮廓（由NumPy数组存储的边界点坐标，形状为(N,1,2)）。

• hierarchy：轮廓的层次信息，形状为(1,N,4)的数组，每个轮廓对应四个整数：[Next, Previous, First_Child, Parent]。

  • Next：同一层级的下一条轮廓的索引，无则-1。

  • Previous：同一层级的上一条轮廓的索引，无则-1。

  • First_Child：第一个子轮廓的索引，无则-1。

  • Parent：父轮廓的索引，无则-1。

代码示例：

# 使用RETR_TREE检索所有轮廓，使用CHAIN_APPROX_NOME存储所有点
contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

print(f"检测到 {len(contours)} 个轮廓")

输出示例：

检测到 9 个轮廓

（具体数值取决于图像内容，此处为笔者上传图片的轮廓）

2.3 绘制轮廓：cv2.drawContours()

函数语法：

cv2.drawContours(image, contours, contourIdx, color, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]])

参数详解：

• image：要在其上绘制轮廓的目标图像（可以是原图或副本）。

• contours：轮廓列表（即findContours返回的contours）。

• contourIdx：要绘制的轮廓索引。若为负数（如-1），则绘制所有轮廓。

• color：轮廓颜色，BGR格式，如(0,255,0)为绿色。

• thickness：线条粗细，若为负数则填充轮廓内部。

• lineType：线条类型，如cv2.LINE_8（默认）。

• hierarchy：层次结构（可选），用于绘制特定层级。

• maxLevel：绘制轮廓的最大层级（配合hierarchy使用）。

• offset：轮廓点的偏移量。

代码示例：

# 复制原图，避免修改原图
image_copy = phone.copy()

# 绘制所有轮廓，绿色，线宽3
cv2.drawContours(image_copy, contours, -1, (0, 255, 0), 3)
cv2.imshow('All Contours', image_copy)
cv2.waitKey(0)

运行结果说明：

• 显示窗口“All Contours”，原图上用绿色线条绘制了所有检测到的轮廓。

三、轮廓特征

检测到轮廓后，我们通常需要提取其特征，如面积、周长等。

3.1 轮廓面积：cv2.contourArea()

函数语法：

area = cv2.contourArea(contour[, oriented])

• contour：单个轮廓（如contours[i]）。

• oriented：若为True，返回带符号的面积（可用于判断轮廓方向），默认False返回绝对值。

示例：

area_0 = cv2.contourArea(contours[0])
area_1 = cv2.contourArea(contours[1])
print(f"轮廓0面积: {area_0}")
print(f"轮廓1面积: {area_1}")

输出示例：

轮廓0面积: 50716.5
轮廓1面积: 255.5

3.2 轮廓周长：cv2.arcLength() 

函数语法：

perimeter = cv2.arcLength(curve, closed)

• curve：轮廓点集。

• closed：布尔值，指示轮廓是否闭合（True表示闭合，计算闭合周长；False表示不闭合，计算曲线长度）。

示例：

length = cv2.arcLength(contours[0], True)
print(f"轮廓0周长: {length}")

输出示例：

轮廓0周长: 952.437722325325

3.3 根据面积筛选轮廓

通过遍历轮廓，可以根据面积大小筛选出感兴趣的轮廓。

示例：保留面积大于10000的轮廓并绘制

large_contours = []
for contour in contours:
if cv2.contourArea(contour) > 10000:
large_contours.append(contour)

image_large = phone.copy()
cv2.drawContours(image_large, large_contours, -1, (0, 255, 0), 3)
cv2.imshow('Large Contours (>10000)', image_large)
cv2.waitKey(0)

运行结果说明：

• 窗口“Large Contours (>10000)”仅显示面积大于10000的轮廓，过滤掉了小面积噪点或无关轮廓。

四、几何形状拟合

通过轮廓，可以拟合出各种几何形状，如最小外接圆、外接矩形等，从而获得物体的位置和尺寸。

4.1 最小外接圆：cv2.minEnclosingCircle()

函数语法：

(x, y), radius = cv2.minEnclosingCircle(points)

• points：轮廓点集。

• 返回值：圆心坐标(x, y)和半径radius（均为浮点数）。

示例：

# 选择第6个轮廓（根据实际图像调整索引）
cnt = contours[6]
(x, y), r = cv2.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(r)

# 在原图上绘制外接圆
phone_circle = phone.copy()
cv2.circle(phone_circle, center, radius, (0, 255, 0), 2)
cv2.imshow('Min Enclosing Circle', phone_circle)
cv2.waitKey(0)

运行结果说明：

• 窗口“Min Enclosing Circle”显示用绿色圆圈包围的轮廓。

4.2 外接矩形：cv2.boundingRect()

函数语法：

x, y, w, h = cv2.boundingRect(array)

• array：轮廓点集。

• 返回值：矩形左上角坐标(x, y)，宽度w，高度h。

示例：

x, y, w, h = cv2.boundingRect(cnt)
phone_rect = phone.copy()
cv2.rectangle(phone_rect, (x, y), (x + w, y + h), (0, 0, 255), 2)
cv2.imshow('Bounding Rectangle', phone_rect)
cv2.waitKey(0)

运行结果说明：

• 窗口“Bounding Rectangle”显示用红色矩形框出的轮廓。

五、完整示例代码及运行结果

以下将所有步骤整合，方便读者运行观察。代码中包含必要的注释和输出语句。

import cv2

# 1. 读取图像
phone = cv2.imread('phone.png')
if phone is None:
print("无法读取图像，请检查路径")
exit()

# 2. 转换为灰度图并二值化
gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 120, 255, cv2.THRESH_BINARY)

# 3. 查找轮廓（使用TREE模式，存储所有点）
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(f"找到 {len(contours)} 个轮廓")

# 4. 绘制所有轮廓
all_contours_img = phone.copy()
cv2.drawContours(all_contours_img, contours, -1, (0, 255, 0), 3)
cv2.imshow('All Contours', all_contours_img)

# 5. 计算并打印第一个轮廓的面积和周长
if len(contours) > 0:
area = cv2.contourArea(contours[0])
perimeter = cv2.arcLength(contours[0], True)
print(f"第一个轮廓面积: {area}, 周长: {perimeter}")

# 6. 根据面积筛选（面积大于10000）
large_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > 10000]
large_img = phone.copy()
cv2.drawContours(large_img, large_contours, -1, (0, 255, 0), 3)
cv2.imshow('Large Contours (>10000)', large_img)

# 7. 对某个轮廓绘制最小外接圆和外接矩形
if len(contours) > 6: # 确保索引存在
cnt = contours[6]
# 最小外接圆
(x, y), r = cv2.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(r)
circle_img = phone.copy()
cv2.circle(circle_img, center, radius, (0, 255, 0), 2)
cv2.imshow('Min Enclosing Circle', circle_img)

# 外接矩形
x, y, w, h = cv2.boundingRect(cnt)
rect_img = phone.copy()
cv2.rectangle(rect_img, (x, y), (x + w, y + h), (0, 0, 255), 2)
cv2.imshow('Bounding Rectangle', rect_img)

cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果示例（基于某张phone.png图像）：

检测到 9 个轮廓
轮廓0面积: 50716.5
轮廓1面积: 255.5
轮廓0周长: 952.437722325325

同时依次弹出以下窗口：

• Gray：灰度图

• Binary：二值图

• All Contours：所有轮廓绘制结果（绿色线条）

• Large Contours (>10000)：筛选后的大面积轮廓

• Min Enclosing Circle：第6个轮廓的最小外接圆

• Bounding Rectangle：第6个轮廓的外接矩形

读者可根据实际图像调整阈值和轮廓索引，观察不同效果。

六、注意事项

七、总结

本文详细介绍了OpenCV中轮廓检测的完整流程，包括：

• 图像预处理（灰度化、二值化）

• 使用findContours查找轮廓，并理解不同检索模式和近似方法的区别

• 使用drawContours绘制轮廓

• 提取轮廓特征（面积、周长）并据此筛选

• 拟合几何形状（最小外接圆、外接矩形）

通过实际代码运行和输出示例，读者可以直观理解各步骤的效果。轮廓检测是图像分析的基础，掌握这些操作后，可以进一步实现物体计数、形状分类、目标定位等高级功能。建议读者多尝试不同参数，观察结果变化，加深理解。